Analyse de sentiment des commentaires clients
Analyse automatique du sentiment des commentaires clients avec extraction de thèmes, tendances et recommandations produit.
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
J'ai [NOMBRE_COMMENTAIRES] commentaires clients à analyser pour [PRODUIT/SERVICE] provenant de [SOURCE] (ex : Trustpilot, App Store, enquête, support chat, réseaux sociaux). Les commentaires sont en [LANGUE] et couvrent la période [PERIODE]. Objectif de l'analyse : [OBJECTIF] (ex : identifier les points de douleur, préparer la feuille de route produit) Réalise une analyse de sentiment complète : 1. Classifie chaque commentaire : positif / négatif / neutre avec score de confiance 2. Extrait les entités et thèmes clés mentionnés (features, aspects du service, équipe) 3. Construit une matrice aspect-sentiment : quels aspects génèrent satisfaction vs frustration 4. Identifie les tendances temporelles : le sentiment s'améliore-t-il ou se dégrade-t-il 5. Détecte les émotions au-delà du positif/négatif (joie, colère, surprise, déception) 6. Identifie les commentaires les plus représentatifs de chaque catégorie 7. Propose [N] améliorations produit/service basées sur les insights extraits 8. Génère un rapport de synthèse exécutif en une page Outil préféré : [OUTIL] (Python NLTK/transformers, API Claude/OpenAI, Google NLP) Format des données en entrée : [FORMAT] (CSV, JSON, texte brut)
Pourquoi ce prompt fonctionne
Ce prompt est efficace car il va au-delà de la simple classification positif/négatif pour inclure l'analyse par aspect et les tendances temporelles, fournissant des insights actionnables pour le produit et le service client.
Cas d'usage
Résultat attendu
Classification sentiments, matrice aspect-sentiment, tendances temporelles, recommandations produit et rapport exécutif.
Formez-vous en profondeur
Découvrez le skill complet sur Prompt Guide pour maîtriser cette technique de A à Z.
Voir sur Prompt GuideTermes du glossaire
Prompts similaires
Détection d'anomalies dans les données
Détecte les anomalies et valeurs aberrantes dans un dataset avec plusieurs méthodes statistiques et scoring de sévérité.
Prévision des ventes par forecasting
Construit un modèle de forecasting des ventes avec comparaison de méthodes, scénarios et intervalles de confiance.
Analyse des données de stocks et d'inventaire
Analyse complète des données d'inventaire avec classification ABC/XYZ, calcul des seuils et optimisation du BFR.
Analyse d'une enquête et d'un questionnaire
Analyse complète des résultats d'une enquête avec statistiques, segmentation, analyse verbatim et rapport de synthèse.